CN105759215B - 一种数据驱动的铅酸蓄电池荷电容量预测方法 - Google Patents
一种数据驱动的铅酸蓄电池荷电容量预测方法 Download PDFInfo
- Publication number
- CN105759215B CN105759215B CN201610105744.9A CN201610105744A CN105759215B CN 105759215 B CN105759215 B CN 105759215B CN 201610105744 A CN201610105744 A CN 201610105744A CN 105759215 B CN105759215 B CN 105759215B
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- charged capacity
- matrix
- acid accumulator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种数据驱动的铅酸蓄电池荷电容量预测方法,包括以下步骤:记录被测铅酸蓄电池在标准状态下完整放电时间段t0~tf内的运行状态数据集F1,以及在工况下工作起点至检视点时间段t0~ts内的运行状态数据集F2,其中ts<tf;预测在时间段ts~tf的预测荷电容量数据将数据集F1和数据集F2整理成两个矩阵:X∈Rn×l,Y∈Rn×m;分解输出空间Y,计算系数矩阵M;对矩阵MTM进行奇异值分解;计算正交投影算子 利用正交投影算子ΠM将其分解为计算得到预测输出值记录实际荷电容量ASOC2,计算预测误差
Description
技术领域
本发明涉及蓄电池荷电容量预测方法,具体涉及一种数据驱动的铅酸蓄电池荷电容量预测方法。
背景技术
铅酸蓄电池性能良好,原材料丰富,价格低廉,经过不断的技术改进,现已广泛应用于军事、工业、电信及日常生活等领域中,且在许多新兴领域,如电动车辆的研制中表现了出发展潜力。
铅酸蓄电池实质上是一种化学反应装置,其内部的化学变化不易及时觉察;随着工作时间的增加,反映供电能力的重要指标--蓄电池荷电容量逐渐下降,该过程受到端电压、工作电流、温度、容量、内部压强、内阻和充放电循环次数以及电池使用特性等因素的影响;当电池的荷电容量下降到一定程度时,就需要对蓄电池进行及时的维护或更换以保证供电系统的稳定。
现有的开路电压法、安时法、阻抗法等估算方法,采用循环计算,在精度和计算效率都比较低,不能很准确的预测铅酸蓄电池荷电容量随时间的变化趋势,为供电系统的维护、更新提供有效的预测。
发明内容
本发明要解决的技术问题是提供一种数据驱动的铅酸蓄电池荷电容量预测方法,可以解决现有技术的铅酸蓄电池荷电容量估算方法的精度和计算效率都比较低,不能很准确的预测铅酸蓄电池荷电容量随时间的变化趋势的问题。
本发明通过以下技术方案实现:
一种数据驱动的铅酸蓄电池荷电容量预测方法,包括以下步骤:
步骤一:
分别记录被测铅酸蓄电池在标准状态下完整放电时间段t0~tf内的运行状态数据集F1,以及在工况下工作起点至检视点时间段t0~ts内的运行状态数据集F2,其中ts<tf,所述数据集F1和数据集F2中分别包括与时间t对应的荷电容量数据SOC1t、荷电容量数据SOC2t;
预测得到被测铅酸蓄电池在工况下检视点ts之后的时间段ts~tf的预测荷电容量数据
步骤二:
将数据集F1和数据集F2在时间段t0~ts内的数据作为输入数据X,将数据集F2中的荷电容量数据SOC2t作为输出数据Y,分别整理成两个0均值变量且标准差为1的矩阵:X∈Rn ×l,Y∈Rn×m,其中n为样本数,l、m分别为输入输出变量数;
分解输出空间Y,计算系数矩阵M=(XTX)-1XTY或者
对矩阵MTM进行奇异值分解,其中PM∈Rl×m,ΛM∈Rm×m;
计算正交投影算子
步骤三:
将时间段ts~tf中的荷电容量数据SOC1t和预测荷电容量数据作为预测输
入数据Xpred,利用步骤二求得的正交投影算子ΠM将其分解为进而计算得
到预测输出值
记录被测铅酸蓄电池在工况下时间段ts~tf的实际荷电容量ASOC2,计算预测误差
本发明的进一步方案是,步骤一预测得到预测荷电容量数据是:
记d=SOC1ts-SOC2ts,则SOC2up,t=SOC1t-d,t=ts~tf作为相应时刻处SOC2t的上界;
利用点(ts-1,SOC2ts-1)、(ts,SOC2ts)拟合一条直线,取该直线上t=ts~tf的荷电容量值SOC2dn,t作为相应时刻处SOC2t的下界;
计算预测荷电容量数据t=ts~tf。
本发明的进一步方案是,步骤二分解输出空间Y,计算系数矩阵M是:
改进偏最小二乘法回归关系,写作其中与输入有关,Ey与输入无关,与为输入空间经正交分解后的两个子空间,对于预测
输出值没有作用,完整描述输出值;
设系数矩阵M为列满秩矩阵,在n>>max(l,m)的情况下,
对矩阵XTX进行奇异值分解:
其中Λχ,res=0,计算伪逆
若矩阵XTX可逆,M=(XTX)-1XTY;若矩阵XTX不满秩,即不可逆,则
本发明与现有技术相比的优点在于:
利用铅酸蓄电池历史观测数据进行离线学习,构建数据驱动法预测模型,根据当前运行数据,在线预测铅酸蓄电池容量随时间下降的趋势,算法流程中对输入空间进行了完全正交分解,避免了传统算法中循环计算的过程,在精度和计算效率方面均有所提升,实现了精确在线预测;能辨识出数据中的模式,提取出可观测变量间的相关关系,从而适用于大数据意义下的工业过程系统监测。
附图说明
图1为本发明的流程图。
图2为实施例中PS-260蓄电池放电特性曲线。
图3是实施例中铅酸蓄电池荷电容量预测误差示意图。
具体实施方式
一种数据驱动的铅酸蓄电池荷电容量预测方法,包括以下步骤:
采用美国Power-Sonic公司提供的关于PS-260阀式铅酸蓄电池的运行数据,PS-260蓄电池的放电特性曲线如图2所示,利用该数据构建PNGV电池模型模拟其放电状态,得到不同条件下(温度、放电率)电池端电压、放电电流、内阻、温度及荷电容量随时间变化的数据;选取T=20℃,放电率20h为标准状态,一般来说正常工作状态与标准状态应当接近,但由于不可度量的因素,如电池充放电次数、内部电解液浓度变化等,实际放电率可能与标准放电率之间存在小偏差。设定正常工况下T=20℃,放电率为18h。
步骤一:
记录被测铅酸蓄电池在标准状态下完整放电时间段0~20h内的运行状态数据集F1,记录工况下0~10h内的运行状态数据集F2,所述数据集F1和数据集F2中分别包括与时间t对应的荷电容量数据SOC1t、荷电容量数据SOC2t,需预测t=10~18h内的电池荷电容量。
首先对数据集F2在t=10~18h内的预测荷电容量数据进行初步估计,具体的方法是:
记d=SOC1t10-SOC2t10,则SOC2up,t=SOC1t-d,t=10,11,...18作为相应时刻处SOC2t的上界;
利用点(t9,SOC2t9)、(t10,SOC2t10)拟合一条直线,取该直线上t=10,11,...18的荷电容量值SOC2dn,t作为相应时刻处SOC2t的下界;
计算预测荷电容量数据t=10,11,...18,结
合t=0~10h的SOC2t值拟合出SOC2t随时间变化的曲线,作为预测的参考。
步骤二:构建预测模型,取数据集F1中电池电压、电流、内阻、温度在第10h以前的
数据以及步骤一中拟合得到的SOC2t在前10h内的数据作为输入数据X,将数据集F2中相应
时间段内的SOC2t值作为输出数据Y,分别整理成两个0均值变量且标准差为1的矩阵:其中n为样本数,l、m分别为输入输出变量数;
改进偏最小二乘法回归关系,写作其中与输入有关,Ey与输入无关,与为输入空间经正交分解后的两个子空间,对于预测
输出值没有作用,完整描述输出值;
设系数矩阵M为列满秩矩阵,在n>>max(l,m)的情况下,
对矩阵XTX进行奇异值分解:
其中Λχ,res=0,计算伪逆
若矩阵XTX可逆,M=(XTX)-1XTY;若矩阵XTX不满秩,即不可逆,则
对矩阵MTM进行奇异值分解,其中PM∈Rl×m,ΛM∈Rm×m;
计算正交投影算子
步骤三:
将时间段10~18h中的荷电容量数据SOC1t和预测荷电容量数据作为预测输入数据Xpred,利用步骤二求得的正交投影算子ΠM将其分解为进而计算得到预测输出值
记录被测铅酸蓄电池在工况下时间段10~18h的实际荷电容量ASOC2,计算预测误差得到的预测误差如图3所示,基本在±0.1以内,可知预测误差较小,预测结果精确,且总体上呈现出预测值小于真实值的趋势,利于系统维护。
在对预测效果进行评估时,考虑实际情况,预测值小于等于实际值时,系统可提前给出维护信号,避免电力供应中断或突变;预测值大于实际值时,可能导致维护不及时,造成断电等后果。因此,在保证预测结果尽量准确的前提下(统计指标,如均方误差尽量小)应使得预测值稍小于实际值。
Claims (3)
1.一种数据驱动的铅酸蓄电池荷电容量预测方法,其特征在于包括以下步骤:
步骤一:
分别记录被测铅酸蓄电池在标准状态下完整放电时间段t0~tf内的运行状态数据集F1,以及在工况下工作起点至检视点时间段t0~ts内的运行状态数据集F2,其中ts<tf,所述数据集F1和数据集F2中分别包括与时间t对应的荷电容量数据SOC1t、荷电容量数据SOC2t;
预测得到被测铅酸蓄电池在工况下检视点ts之后的时间段ts~tf的预测荷电容量数据
步骤二:
将数据集F1和数据集F2在时间段t0~ts内的数据作为输入数据X,将数据集F2中的荷电容量数据SOC2t作为输出数据Y,分别整理成两个0均值变量且标准差为1的矩阵:X∈Rn×l,Y∈Rn×m,其中n为样本数,l、m分别为输入输出变量数;
分解输出空间Y,计算系数矩阵M=(XTX)-1XTY或者
对矩阵MTM进行奇异值分解,其中PM∈Rl×n,ΛM∈Rm×m;
计算正交投影算子
步骤三:
将时间段ts~tf中的荷电容量数据SOC1t和预测荷电容量数据作为预测输入数据Xpred,利用步骤二求得的正交投影算子ΠM将其分解为进而计算得到预测输出值
记录被测铅酸蓄电池在工况下时间段ts~tf的实际荷电容量ASOC2,计算预测误差
2.如权利要求1所述的一种数据驱动的铅酸蓄电池荷电容量预测方法,其特征在于:步骤一预测得到预测荷电容量数据是:
记d=SOC1ts-SOC2ts,则SOC2up,t=SOC1t-d,t=ts~tf作为相应时刻处SOC2t的上界;
利用点(ts-1,SOC2ts-1)、(ts,SOC2ts)拟合一条直线,取该直线上t=ts~tf的荷电容量值SOC2dn,t作为相应时刻处SOC2t的下界;
计算预测荷电容量数据t=ts~tf。
3.如权利要求1所述的一种数据驱动的铅酸蓄电池荷电容量预测方法,其特征在于:步骤二分解输出空间Y,计算系数矩阵M是:
改进偏最小二乘法回归关系,写作
其中与输入有关,Ey与输入无关,与为输入空间经正交分解后的两个子空间,对于预测输出值没有作用,完整描述输出值;
设系数矩阵M为列满秩矩阵,在n>>max(l,m)的情况下,
对矩阵XTX进行奇异值分解:
其中Λχ,res=0,计算伪逆
若矩阵XTX可逆,M=(XTX)-1XTY;若矩阵XTX不满秩,即不可逆,则
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610105744.9A CN105759215B (zh) | 2016-02-26 | 2016-02-26 | 一种数据驱动的铅酸蓄电池荷电容量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610105744.9A CN105759215B (zh) | 2016-02-26 | 2016-02-26 | 一种数据驱动的铅酸蓄电池荷电容量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105759215A CN105759215A (zh) | 2016-07-13 |
CN105759215B true CN105759215B (zh) | 2019-09-27 |
Family
ID=56331347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610105744.9A Active CN105759215B (zh) | 2016-02-26 | 2016-02-26 | 一种数据驱动的铅酸蓄电池荷电容量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105759215B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106291373A (zh) * | 2016-07-25 | 2017-01-04 | 四川通发电信股份有限公司 | 一种基于大数据的基站蓄电池续航能力的测算方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604005B (zh) * | 2009-06-29 | 2011-04-13 | 杭州电子科技大学 | 一种基于组合采样点卡尔曼滤波的电池剩余电量估计方法 |
TWI420126B (zh) * | 2011-09-27 | 2013-12-21 | Neotec Semiconductor Ltd | 電池容量預測裝置及其預測方法 |
CN103018673B (zh) * | 2012-11-19 | 2015-01-21 | 北京航空航天大学 | 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法 |
CN104316879B (zh) * | 2014-10-13 | 2018-08-10 | 珠海许继电气有限公司 | 一种铅酸蓄电池组寿命的预测方法 |
-
2016
- 2016-02-26 CN CN201610105744.9A patent/CN105759215B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105759215A (zh) | 2016-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tan et al. | Real-time state-of-health estimation of lithium-ion batteries based on the equivalent internal resistance | |
Wang et al. | Perspectives and challenges for future lithium-ion battery control and management | |
CN114114049B (zh) | 一种基于样本迁移的锂离子电池寿命预测方法 | |
Sun et al. | A method for estimating the aging state of lithium‐ion batteries based on a multi‐linear integrated model | |
Liu et al. | The remaining useful life prediction by using electrochemical model in the particle filter framework for lithium-ion batteries | |
CN113075554B (zh) | 一种基于运行数据的锂离子电池组不一致性辨识方法 | |
US20140302355A1 (en) | Method for Ascertaining Operating Parameters of a Battery, Battery Management System, and Battery | |
CN107942255B (zh) | 一种基于数据融合技术的变电站蓄电池组状态评估方法 | |
GB2532726A (en) | Cell internal impedance diagnostic system | |
WO2013082955A1 (zh) | 一种锂离子电池运行状态评估分析系统 | |
CN114722625B (zh) | 锂电池的单体数字孪生模型建立方法、系统、终端和介质 | |
CN112949060A (zh) | 一种时变温度下的锂电池健康状态估计与剩余寿命预测方法 | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
Zhou et al. | Online state of health estimation for seriesconnected LiFePO 4 battery pack based on differential voltage and inconsistency analysis | |
CN113866646B (zh) | 基于极化阻抗压升的电池簇不一致性在线监测方法 | |
Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
CN105759215B (zh) | 一种数据驱动的铅酸蓄电池荷电容量预测方法 | |
CN111274539B (zh) | 一种基于交替最小二乘法的锂电池soh估计方法 | |
CN105759217A (zh) | 一种基于可测数据的铅酸蓄电池组在线故障诊断方法 | |
CN111190112B (zh) | 一种基于大数据分析的电池充放电预测方法及系统 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
CN114879043A (zh) | 锂离子电池析锂诊断方法、装置、设备和介质 | |
CN116908694B (zh) | 一种家用储能系统的soh估算方法 | |
XIAOJUNTAN et al. | Real-Time State-of-Health Estimation of Lithium-Ion Batteries Based on the Equivalent Internal Resistance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |